机器之心原创在线股票配资门户网站
编辑：吴昕
卷王指南又更新了，这次还有番外篇。
开源 2.0 ：变脸堪比整容
等了一百多天，悬念终于揭晓。
9 月 13 日上午，蚂蚁集团开源团队（「开源技术增长」）携《 2025 大模型开源开发生态全景图 》2.0 版，亮相上海外滩大会。
三个月前，「一场直播中的『现实世界的黑客松 』 (A Real-world Hackathon )」的断言，今天依然成立——
彼时「撕拉片」记录下生态初现的模样，而今，已经大变样。
访问地址：https://antoss-landscape.my.canva.site/
这一次，全景图收录了114个项目（比上一版减少 21 个），覆盖22个领域。其中，39 个是新晋项目，同时也有 60 个项目消失在舞台，其中不乏一度高光的 Star 王者——
如 NextChat、OpenManus、FastGPT、GPT4All，因迭代迟缓、社区乏力而被后来者超越。
最 drama的，当属 TensorFlow 的谢幕，这位昔日巨星最终没能抵挡 PyTorch 的攻势，后者自此一统江湖。
灰色部分，即为出局的开源项目
整体趋势是显而易见：生态正在经历一轮剧烈洗牌。就像寒武纪的「生命大爆发」，Agent 层最为汹涌，混沌之中，各类新物种层出不穷。
另一组数据，也侧面印证了这一旺盛的新陈代谢——
算上被淘汰的项目，整个大模型生态的「中位年龄」只有 30 个月，平均寿命不足三年，是一片极度年轻的丛林。
尤其是「GPT 时刻」之后（ 2022 年 10 月），62% 的项目才诞生，其中 12 个甚至是 2025 年的新面孔。也就是说，几乎每个季度都能看到新人登场、旧人退场。
更夸张的是，这些年轻项目获得了前所未有的关注：平均 Star 数接近 3 万，远超以往同龄的开源项目。头部前十的项目几乎覆盖了模型生态的全链路，是当下最具代表性的社区力量。
最活跃的开源项目 Top 10
关键词词云也呼应了这一趋势：AI、LLM、Agent、Data成了最大、最亮的几个字。
大模型开发生态关键词 AI、LLM、Agent、Data 、Learning正是第一张图表中所列项目的主要领域。
另一个大变样是全景图的分类框架。
因为看过 1.0 版本，所以当我第一次看到 2.0 全景图时，最直观的感受就是：分类架构变得更具体、更细分：
从大而化之的 Infrastructure / Application，进化为 AI Agent / AI Infra / AI Data 三大板块，清晰勾勒出行业热点（智能体为中心），和技术演进的趋势。
如果说 1.0 的框架还带着传统开源软件生态的影子，那么 2.0 已经透出「智能体时代」的气质。
最后，从全球366,521位开发者群像来看，中美双雄贡献超过 55%，依然是项目的绝对领导者，其中美国以 37.41% 的比例位居第一。
在技术领域的细分贡献中，美国在 AI Infra 和 AI Data 上优势明显。
如，AI Infra，美国贡献度达 43.39%，是排名第二的中国的两倍多；而在 AI Data 的领先优势更为明显。
中国在具体应用层（ AI Agent ）则表现接近美国，两国贡献度分别为 21.5% 和 24.62% ，这与中国开发者在 Agent 层面的投入更多密切相关。
为什么要把方法论放在前面讲？答案很简单——哪些项目能够进入 2.0 全景图，很大程度上取决于方法论变了。
1.0 版本的方法论是「从已知出发」——被广泛讨论的头部项目，比如 PyTorch、vLLM、LangChain，再通过它们的协作和依赖关系向外延伸。
但出发点决定边界：你从哪些种子项目出发，就决定了能看见的生态范围。那时的入选门槛是 OpenRank （华东师范大学 X-lab 开发的开源影响力指标）月均值 ≥ 10。
而 2.0 版本直接拉取 GitHub 全域项目的 OpenRank 排名，筛选出大模型相关项目，不仅大幅减少了起点偏见，也更敏感于新项目的爆发力。结果是，更多高热度、高活跃度的项目被发现，入选阈值也相应提高到当月 OpenRank > 50。
从这个角度说，2.0 更契合蚂蚁「开源技术增长」团队做这件事的初衷：对内，为企业决策提供依据；对外，为开源世界的「卷王们」点亮指南。
在这套新方法下，三大主力赛道脱颖而出：AI Coding、Model Serving 、LLMOps。
接下来，我们将从应用层一路追溯到底层 Infra，逐一梳理这股洪流中的关键变化。
2.0 全景图上的 AI Agent 已经从一个「百宝箱」式的工具堆，演化为类似云计算的分层体系——
AI Coding、Agent Workflow Platform、Agent Framework、Agent Tool 等类别齐备，专业与清晰度大幅提升，社区正经历从野蛮生长走向系统分化的过程。
2.0的AI Agent 层
AI Agent 的迭代经历犹如过山车。
目前，AI Agent 地表变动剧烈，就像一片新大陆，每个人都在抢先插旗。AI Coding、Chatbot、Workflow Platform 等方向接连涌现出新的高热度项目。
更有意思的是，2.0 版还敏锐捕捉到 AI 与物理世界深度结合的迹象——「小智」尝试把大模型跑在低功耗芯片上，Genesis 则面向通用机器人提供物理仿真平台。
接下来，我们逐一拆解细分领域的变化。
1、从疯到癫，AI Coding 增长曲线仍在陡升
除了 Cline、Continue、OpenHands 等常驻「霸榜」项目外，新面孔不断涌现——Gemini、marimo、Codex CLI，以及定位为 Claude Code 100% 开源替代的 OpenCode。事实再次证明，「Agent for Devs」仍是最高频、最刚需的应用场景。
2025 年的 AI Coding 已经完成了从「补代码」到「全生命周期智能引擎」的跨越：能做的事更多，从开发到运维全链路覆盖；做事的方式更聪明，支持多模态、上下文感知与团队协同。
报告预测，市场也将随之释放出巨大的商业化潜力——付费订阅、SaaS 服务与增值功能，将成为新的盈利模式。
AI Coding 已经完成了从「补代码」进化到能做的事更多，做事的方式更聪明。
这种趋势在行业交流中感受尤深。这次上海外滩大会上，有嘉宾直言 AI Coding 工具卷到用不过来；另一位深耕 AI 编码的 CEO 则透露，团队所有成员的 AI 工具报销已超 200 美元。
几个月前，AI 代码还需要大量人工修正；如今质量飞升，只需轻量修改即可。下一步，AI 编程或许会从「写代码」跃迁到「主导整个工作流」。
值得注意的是，Gemini CLI、Codex CLI 的走红也释放出大厂的战略信号：通过开源工具链绑定开发者，把他们锁入自家闭源模型的生态。
这与微软当年的 Windows + .NET、苹果的 iOS + Swift 如出一辙。今天的AI 巨头，正在用相同的路径重塑新一轮开发者生态。
2、Chatbot & Knowledge Management 高光后的理性回归
Chatbot 是 GenAI 应用的第一波爆款，Cherry Studio、Open WebUI、Lobe Chat、LibreChat 在 2025 年初迎来顶峰，收获了大量关注与贡献。但热度未能持续。5 月之后，Chatbot 进入平台期，逐渐降温。
Lobe-Chat 以日更节奏，用框架将「ChatGPT 式对话」降维到人人可自建的体验。然而，随着功能趋近完备，用户也发现 Chatbot 核心价值仍是「对话」，而对话在生产力上的突破有限。
Cherry Studio 开辟了另一条路径：把 Chatbot 与知识库/笔记结合，定位于「个人知识助理」，更贴近长期生产力需求。这可能也是它逆势上榜的原因——新进项目中活跃度第二，总体位列第七。
因此，降温并不意味着衰退。Lobe-Chat 依然保持 64.7k star 的体量，日更节奏从未停歇。只是相较 Memory、Agent 等更令人兴奋的方向，Chatbot 不再是唯一的焦点，而开始回归理性。
3、Agent Workflow Platform 沉淀为真正的基础设施
当 GPT-5、Claude、Gemini等顶尖模型趋同，AI 应用的差异化越来越依赖「记忆」。这催生了一大批 RAG + Agent 项目，成为开源热点。
RAGFlow、MaxKB（专注知识库问答）、FastGPT（轻量 RAG 平台）、Flowise AI（主打 RAG-based QA 的可视化工作流工具）都在这一波浪潮中走红。
尽管趋势回落，但 7 月份的 OpenRank (1418) 仍然远高于 1 月份的起始点。
相比之下，Dify 的布局更完整：不仅覆盖 RAG 和 Agent 工作流，还提供应用发布、用户管理、可观测性等企业级能力，形成从原型到生产的一站式平台，在社区影响力和商业化上明显领先。
与此同时，新的探索开始突破传统 RAG 的边界。如 Letta（尚未上榜）尝试引入「离线学习」，让 Agent 不仅能依赖检索，还能真正从经验中学习改进。这意味着 Agent Workflow 未来可能从「检索增强」走向「长期学习」，为应用开辟更广阔的空间。
4、Agent Tool 爆款频出
Agent Tool 针对大模型的硬伤，补齐短板，让 AI 从「能聊」走向「能做」。因此，这一领域成为当下最炙手可热的创新赛道，爆款频出。
LiteLLM、Supabase、Vercel、ComfyUI、mem0 各自切入关键环节，推理调用、数据存储、记忆管理、外部交互层层推进 AI 的能力边界。
比如 mem0 赋予 Agent 长期记忆与上下文感知；Supabase 快速进化成 GenAI 时代的数据基础设施，解决了实时信息与记忆管理的缺失问题。
而 Browser-use 更是在 9 个月拿下 60K star，让 Agent 真正学会操作网页，成为「落地最后一公里」的标志性项目。
5、Agent Framework下跌明显
2.0 版中，跌幅最大的项目有四个都属于 Agent 编排框架：Eliza、LangChain、LlamaIndex、AutoGen。
一方面这些头部项目在社区投入收缩；另一方面，社区注意力正从通用框架转向应用落地：记忆、工具调用、交互界面等更细颗粒度的创新，正在为未来更强自治的 AI 系统打下基础。
不过，Camel-AI、CrewAI、Agno、ELIZA.OS的冒头，显示「协作智能体」正收获更多关注。
LiveKit Agents 的上榜同样典型，它专注实时交互场景，如语音对话、多人协作，这在过去是图谱里几乎没有覆盖的。
虽然远不如 Agent 层的「生命大爆发」，但在 AI Infra 的静水深流中，仍能看到几道涌动的波澜——
云端推理持续内卷、轻量推理的开花、愈发专化的 LLMOps。
2.0版本的AI Infra
1、主力赛道 Model Serving，热力不减
在 2.0 版本里，唯二能与 AI Coding 正面对标的赛道就是 Model Serving。
大模型要落地，推理的效率、成本、安全性是绕不过去的门槛。从 2023 年以来，这条赛道就持续高烧不退，依然是 AI Infra 的主战场。
以 vLLM、SGLang 为代表的高性能云端推理方案仍是主流，生态和社区影响力不断扩张。尤其是 vLLM，稳定性和生态优势使其热度持续坚挺。
大厂也全力加码，NVIDIA TensorRT-LLM 热度居高，新晋的 NVIDIA Dynamo 与之配合，深度绑定 GPU 硬件，正把「推理框架」当作巩固算力垄断的新抓手。
与此同时，本地化也在狂飙。
ollama 让大模型从昂贵的云端「飞入寻常百姓家」，跑在个人电脑甚至移动端。近几个月它的热度虽有小幅下滑，但 GPUStack、ramalama 等新框架迅速补位，说明「轻量 + 云端优化」这条路径依然涌现新玩家。
2、模型运维：LLMOps 接棒 MLOps
除了 AI Coding、Model Serving，LLMOps 也是 2025 年以来增长最快的主赛道。
Phoenix、Langfuse、Opik、Promptfoo、1Panel、Dagger 等项目，几乎覆盖了从监控、提示词评测到工作流管理的各个环节。
这里的关键转变是，2.0 版本重新定义了「模型运维」：原本分散在模型评测和传统 MLOps 的内容，被整合进大模型的全生命周期管理。关注点也从「小模型时代」的训练精度、数据管道，转向「如何让模型稳定、可控地跑起来」。
换句话说，LLMOps 核心聚焦在监控、提示词效果、可观测性和安全可信上，成为推动大模型真正走向应用的关键支撑。
3、模型训练，跌破年初水平
与前两条赛道的高热不同，模型训练反而一路回调，不仅回吐了涨幅，还跌破了年初水平。
不同行业确实需要不同「口味」的模型。从零开始训练一个 GPT-4 级别模型成本过高，社区更关注如何低成本微调已有模型，比如 Unsloth 集成 QLoRA，在中低端硬件就能跑通。
问题在于应用层成了新的战场：围绕 Chatbot、Agent Tool、Workflow，对开发者更友好，贡献和创新空间更大。
PyTorch 等训练框架早已成熟，增长见顶；Swift、Unsloth、LLaMA-Factory虽短期吸睛，但没能形成持续突破。
4、此外，Ray 在分布式计算上一骑绝尘，TransformerEngine、DeepEP、Triton、Modular等专用内核库的崛起，标志着大模型正在催生属于自己的软件栈，从 Python API 到算子，都需要为 LLM 量身打造。
相较于前两大领域的风云变幻，AI Data 领域显得格外平静。
生态链条已经相当完整，从标注、集成、治理，到向量数据库与搜索，再到上层应用框架，几乎覆盖了数据处理的所有环节。
大多数项目还都是老面孔，诞生于 2014至 2020 年，本质上为 AI 1.0（传统机器学习）时代而生。Chroma 是少数「赶上大模型浪潮」的新秀，2022 年亮相便切中了 RAG 应用的爆发点。
但在热度层面，AI Data 却在持续降温。
我们推测，一部分原因在于这些技术本身已足够成熟，没必要重复造轮子。
像 Iceberg、Delta Lake 这样的数据湖，Milvus、Weaviate、Elasticsearch等向量数据库，早已成为「基础拼图」，经过反复验证后，缺少新的突破口。
另一方面，AI Data 更偏向企业级场景，开发者个人难以直观感受到价值，GitHub 的社区关注度难以持久。
不过，波澜不兴往往孕育着更大的风暴。AI Data 的真正挑战，正在原生大模型时代逐渐显现。例如，向量化一切、RAG、多模态数据处理，数据平台被专家预测将从「仓库」进化为「中枢」——一个智能、动态、实时连接的系统，能持续为模型这个大脑提供真实世界的感知。
因此，旧框架虽依旧稳健，却正被逼近极限。新一代原生于大模型范式的数据基础设施正在酝酿中，AI Data 的下一次波澜壮阔还在蛰伏。
在 2.0 全景图出炉之前，我们就注意到一个微妙趋势：越来越多的大模型项目不再沿用 MIT、Apache 2.0 这类传统开源许可证，而是自拟「开源许可协议」（ Open-Source License Agreement ），在开放、控制之间划下灰色地带。
这种新式协议往往保留了许可方更多的干预权。比如，传统协议下，授权一旦给出便不可撤销；但在一些大模型的自拟协议里，这一限制被取消，为后续商业博弈留足了回旋余地。
还有的项目直接按用户规模设限：月活跃用户超过某个数量，就必须另行商议授权。
巧合的是，2.0 全景图的数据也印证了这一观察：新晋项目的 License 多为带有限制性的变体，引发了「算不算开源」的争论。
例如，Dify 采用 BSL（Business Source License）变体，先开放代码，若干年后才切换为宽松协议，以保障商业利益。
n8n 使用 Fair-code，强调「防止大厂白嫖」，Cherry Studio 则在条款中明确了商用需额外授权，体现出对商业模式的防御。
而另一层模糊，来自 GitHub 本身。Cursor、Claude-Code 等项目甚至连代码都闭源，却依旧在 GitHub 上大热，成了厂商收集反馈的窗口。何为「开源社区」在这一波大模型浪潮中，似乎也在被挑战。
作为 Bonus，2.0 版本还特意梳理了 2025 年 1 月至今国内外主流厂商的大模型发布时间线，包含开源、闭源模型，发现了一些有趣的现象。
这张全景图也标注了每个模型的参数、模态等关键信息，帮助理解当下各家厂商的白热化竞争究竟是在哪些方向上展开的。
1. 路线分化：开源 vs 闭源
中国的开源模型依旧百花齐放，而国外顶尖厂商则持续押注闭源。曾凭 Llama 系列对抗闭源阵营的 Meta，如今也逐渐收紧开源节奏。扎克伯格在公开信中直言，「会更谨慎地选择开源什么」。Llama 4 口碑滑铁卢，更让 Meta 的处境尴尬。
这也Callback 了阿里云创始人、之江实验室主任王坚在上海外滩大会开幕式上的判断：开源与闭源的选择，已成为 AI 竞争的关键变量。
2. MoE 架构普及，参数直冲万亿
DeepSeek、Qwen、Kimi 等新旗舰，全面采用专家混合（ MoE ）架构。凭借「稀疏激活」，模型总参数可以飙升到万亿级别，却只在推理时激活一小部分。K2、Claude Opus、o3 等巨型模型相继登场，性能获得跃升，但也将训练和推理的算力消耗推至新高点。
3. Reasoning：新标配
如果说去年模型发布拼的是「规模」，今年比拼的就是「推理」。DeepSeek R1 借助强化学习大幅增强自动化推理和复杂决策能力，让Reasoning 成为今年模型发布的标配功能。Qwen、Claude、Gemini 甚至引入「快思/慢想」的混合模式，让模型像人一样在任务间切换反应速度。
4. 多模态：全面爆发
过去半年，最强的大脑们不再只盯在语言模型，多模态赛道开始卷了起来。语言、图像、语音交互成为标配，中国厂商在闭源与开源两条线上都取得全球领先。
与此同时，语音模态生态也在兴起：Pipecat、LiveKit Agents、CosyVoice 等工具链正在快速补全版图。
不过，距离视频模态真正成熟，甚至 AGI 的落地，仍有不短的路要走。
5. 模型评价：多元化
多模态的全面爆发，也带动了评价体系的多元化。有人依旧信赖 Design Arena、LMArena 这样的「人投票」平台，用主观偏好来判断模型优劣。也有人更看重客观测试集的分数，用标准答案来衡量模型表现。
与此同时，以 OpenRouter 为代表的 API 网关平台，凭借天然掌握的调用数据，正在形成一种「数据投票」的排行榜。而活跃度持续飙升的 LiteLLM，未来或许也会把调用统计转化为新型评测方式。
淘配网平台提示：文章来自网络，不代表本站观点。
